특정 영역에 집중된 리스크 측정 제고방안

익스포져 집계 등 기초데이터의 정합성을 제고하고

산출결과 검증을 통한 기존 측정방법의 보완이 필요

현재 은행권에서 시행하고 있는 Basel II는 세 개의 축(Pillar 1/2/3)으로 구성되어 있다. 감독당국은 Pillar 1을 통해 최저 규제자본 비율(소위 BIS비율)의 산출방식을 제시하고 있지만, 이러한 방식만으로는 은행의 건전성과 안정성을 확보하는데 불충분하다는 판단 하에 리스크 관리와 자본적정성 수준에 대한 감독당국의 점검(Pillar 2)과 공시를 통한 시장규율(Pillar 3)을 강화하도록 요구하고 있다. 그 중 신용 편중리스크는 Pillar 2에서 고려되고 있는 중요한 리스크로 해당 은행의 총자산 및 리스크수준과 비교하여 은행의 건전성을 저해할 정도로 큰 손실을 내포하고 있는 단일(특정차주) 또는 그룹(특정 영역)에 익스포져가 집중됨으로 인해 발생하는 리스크로 정의하고 있다.
신용 편중리스크의 중요도를 고려하여 감독당국에서는 크게 차주편중과 부문편중으로 구분하여 신용 편중리스크를 관리할 것을 제안하고 있다. 여기서 차주편중(Name Concentration)은 Pillar 1 규제자본 산출모형이 해당 포트폴리오가 잘 분산되었다(fine-grained portfolio)는 가정으로 인해 야기되는 단점을 보완하기 위해 특정 차주 또는 특정 그룹에 익스포져가 편중되어 있는 정도에 따라 추가적인 리스크를 고려하기 위한 것이다.

한편 부문편중(Sector Concentration)에서는 규제자본 산출모형이 가정한 단일 리스크요인(single-factor model)에 의해 발생되는 단점을 보완하기 위한 방안이라 할 수 있다. Pillar 1 규제자본에서는 동시부도 가능성이 높은 특정 영역(산업, 지역, 담보, 상품 등)에 익스포져가 편중되어 있는 경우와 여러 영역으로 분산되어 있는 경우가 구분 없이 동일한 규제자본을 요구하게 되지만, 실제로는 포트폴리오 내 특정 영역에서 자산가치가 동일한 방향으로 움직이는 경향을 보이게 되는 경우(즉 자산간 상관성이 높은 경우), 거시경제상황 악화 등의 요인에 의해 큰 손실을 보게 될 수 있으므로 이에 대한 리스크 평가 및 관리가 필요하다고 할 수 있다.

차주편중에 대해서는 Gordy(2003) 등에 의해 선행연구가 진행되어 측정방법(편중도 비율, 허핀달 지수 등)이 어느 정도 정립되어 있으며, 이러한 방법론이 큰 이견 없이 활용되고 있는 상황이다. 하지만, 산업 등에 대한 부문편중에 대해서는 정형화된 산출방법이 아닌 개별 금융기관의 데이터 상황 및 기존 신용리스크 산출 시스템과의 연계에 따라 개별적으로 고려되고 있는 실정이다. 국내 금융기관에서 활용되고 있는 산출방법에는 스코어링 방식, Expected-Shortfall 방식(ES), Extended MFA-IRB 방식(MFA) 등이 있다. 먼저, 스코어링 방식은 산업구분에 대해 편중도 지표(허핀달 지수 등) 등을 통해 스코어링을 수행하고 해당 스코어에 대해 기 정의해 놓은 리스크량을 부여하는 방식으로, 산출이 비교적 간단하고 필요 정보량이 적다는 장점이 있다.

하지만 해당 산업 내 자산의 Risk Parameter(부도율, 손실률 등) 변동에 따른 추가적인 위험을 인식하지 못하고 단순히 해당 산업이 전체 포트폴리오 내에서 차지하는 비중만을 고려한다는 점에서 기존 Pillar 1 모형과의 연계가 부족하다는 단점이 있다. 반면에 ES 방식과 MFA 방식의 경우, Pillar 1 모형의 단일 리스크요인 가정을 다중 리스크요인(Multi-factor model)으로 확장하고, Pillar 1 모형과 동일한 Risk Parameter를 적용한다는 점에서 좀 더 정교하며, 규제자본과 연관되게 리스크를 예측할 수 있다는 장점이 있다.

하지만 이러한 방식 역시 모형이 복잡하여 직관적인 이해가 어렵고 많은 양의 필요 데이터를 요구한다는 점에서 적용이 용이하지는 않은 편이다. 특히, Pillar 1 모형에서는 고려하지 않는 산업 간 상관성 편중을 예측하기 위한 산업 간 상관계수와 개별 산업이 차주에 주는 영향 정도를 의미하는 산업요인 적재량(CreditMetrics 방법론에서는 산업 R-square로 명명) 등은 정보의 수집이 쉽지 않다.
산업 간 상관계수의 경우, 개별 산업의 업종지수 또는 주가지수 등을 통해 산업간의 상관 정도를 통계적으로 유추하고 있지만, 금융기관에서 실제로 관리하고자 하는 산업분류와 지수 정보를 수집할 수 있는 산업분류간의 불일치로 인해 해당 금융기관의 포트폴리오 상황에 맞는 적정한 분류작업에는 어려움이 있다. 또한, 개별 차주의 총자산 정보를 통해 유추하는 산업요인 적재량의 경우, 총자산 규모에 따라 0%에 가까운 값에서부터 최대 60~70%의 값까지 넓은 범위를 가지므로(Pillar 1 모형의 Asset Correlation의 경우 10~30%의 범위를 가짐) 총자산 규모가 큰 차주 또는 이러한 차주로 구성되어 있는 산업에 신용 편중리스크가 과도하게 집중되는 문제점이 야기되기도 한다. 이러한 문제를 해결하기 위해서는 총자산 규모 차이에 의해 발생하는 왜곡현상을 감소시킬 수 있는 조정계수의 도입이나 Pillar 1 모형의 Asset Correlation과 연동될 수 있도록 산업요인 적재량을 결정하는 방안의 도입이 필요할 것으로 생각된다.

이러한 방안이 도입된다면, 자산규모에 의해 특정 차주 또는 산업에 편중리스크량이 과도하게 집중되는 현상을 방지할 수 있을 뿐만 아니라, ES 방식과 MFA 방식을 벤치마크할 수 있는 Pillar 1 모형에 의한 간편측정법 또한 추가로 고려할 수 있을 것이다. 하지만, 기존에 적용하던 산업요인 적재량 정보를 새로운 방안을 통해 변경하더라도 전체적인 신용 편중리스크량의 적정성은 유지될 수 있도록 세심한 주의가 필요하다.

지금까지 다양한 선행 연구와 실증분석 등을 통해 신용 편중리스크 관리의 필요성이 대두되었으며, 이에 대한 다양한 관리방안이 시중은행을 중심으로 적용되어 활용되고 있는 상황이다. 필자의 생각으로는 신용 편중리스크 관리의 경험이 있는 금융기관이라면 측정과 활용에 대한 어려움과 문제점도 함께 느끼고 있을 것이라 생각된다. 따라서, 보다 정교하고, 산출이 용이하며, 활용도가 높은 신용 편중리스크 측정 및 관리방안 마련을 위해서 기존 모형 산출결과에 대한 적합성 검증(validation)을 수행하여야 할 것이다.

또한, 보다 정확한 편중리스크 측정을 위하여 기초 데이터(신용공여 약정, 파생상품 거래 등을 포함한 익스포져 집계)의 정합성을 제고하여야 하며, 단순히 리스크량을 산출하고 경제적 자본을 배분하는 것 뿐만 아니라 포트폴리오 관리와 밀접하게 연계되어 여신 관련 의사결정에 고려되어야 할 것이다.


관리자 기자